Perché le scorte di sicurezza non sono sicure

00:00:07 Le scorte di sicurezza e i loro svantaggi.
00:00:39 Definizione e concetto di scorte di sicurezza.
00:02:05 Origini del concetto di scorte di sicurezza e perché rimane popolare.
00:04:10 Problemi con le scorte di sicurezza: ignorare la stagionalità e le irrealistiche ipotesi di distribuzione normale.
00:07:15 Situazioni in cui le scorte di sicurezza non funzionano e la necessità di approcci alternativi.
00:09:06 Come le scorte di sicurezza sottovalutano il rischio e portano a un eccesso di scorte.
00:12:00 Il paradosso delle scorte di sicurezza e la loro inefficienza nel gestire le incertezze.
00:13:20 Decisioni attuabili e controllo nella gestione della supply chain.
00:15:00 Approcci alternativi tra scorte di sicurezza e metodi probabilistici.
00:16:00 Perfezionamento dei modelli parametrici nella supply chain.
00:18:54 Il problema degli sprechi nelle scorte di sicurezza e le sue conseguenze.
00:20:37 Il ruolo delle previsioni e il loro impatto sulle scorte di sicurezza.
00:22:29 Affrontare gli errori nella gestione della supply chain per miglioramenti.
00:23:01 Messaggio chiave: Non fidarsi di modelli matematici obsoleti nella supply chain.

Riassunto

In questa intervista, Kieran Chandler e il fondatore di Lokad, Joannes Vermorel, discutono gli svantaggi delle scorte di sicurezza nella gestione della supply chain. Le scorte di sicurezza, ovvero l’inventario aggiuntivo per tamponare la variabilità della domanda, possono essere eccessivamente conservative, portando a un eccesso di scorte e sprechi. La loro popolarità è dovuta alla loro semplicità e al miglioramento storico rispetto ai calcoli manuali, ma non tiene conto delle complesse incertezze della supply chain. Il modello si basa su una distribuzione normale per la domanda e i tempi di consegna, che è irrealistica, e non si adatta a grandi deviazioni o eventi sorprendenti. Vermorel suggerisce invece un approccio probabilistico per una migliore ottimizzazione e gestione delle scorte, affrontando le conseguenze dell’incertezza e migliorando i processi dopo la previsione.

Riassunto Esteso

In questa intervista, l’ospite Kieran Chandler e il fondatore di Lokad, Joannes Vermorel, discutono il concetto di scorte di sicurezza e le sue limitazioni nella gestione della supply chain. Le scorte di sicurezza si riferiscono all’inventario aggiuntivo acquistato per proteggersi dalle variazioni nella domanda e nei tempi di consegna. Nonostante la sua semplicità, questo metodo è spesso troppo conservativo, portando a un eccesso di scorte e a un inventario sprecato. L’intervista esplora le origini delle scorte di sicurezza, le sue limitazioni e gli approcci alternativi per i professionisti della supply chain.

Le scorte di sicurezza sono emerse dall’idea che, data una previsione della domanda, un’azienda dovrebbe detenere un inventario superiore alla quantità prevista per ridurre il rischio di stockout. Questo inventario aggiuntivo, o “scorte di sicurezza”, funge da buffer per le possibili fluttuazioni della domanda. Nel tempo, il settore si è concentrato su un metodo specifico per calcolare le scorte di sicurezza: assumendo che la domanda futura e i tempi di consegna siano distribuiti in modo normale (gaussiano) e applicando questo modello per determinare il buffer necessario.

Secondo Vermorel, la popolarità delle scorte di sicurezza può essere attribuita al loro nome rassicurante e al fatto che, storicamente, rappresentavano un miglioramento rispetto ai calcoli manuali. I primi computer negli anni ‘60 e ‘70 avevano difficoltà con calcoli più complessi, quindi i calcoli delle scorte di sicurezza fornivano una soluzione sufficientemente buona all’epoca. Tuttavia, molti professionisti hanno continuato a fare affidamento sulle scorte di sicurezza anche con l’avanzamento delle capacità di calcolo, portando al loro ampio utilizzo oggi.

Il problema fondamentale delle scorte di sicurezza è l’assunzione che tutta l’incertezza possa essere ridotta a una distribuzione normale sia per la domanda che per i tempi di consegna. Questa assunzione è particolarmente problematica per i tempi di consegna. Affidandosi ai calcoli delle scorte di sicurezza, le aziende tendono a creare una frazione costante della loro domanda come buffer, ignorando fattori come la stagionalità. Mentre le previsioni della domanda spesso tengono conto delle fluttuazioni stagionali, l’incertezza in queste previsioni non viene adeguatamente regolata.

In sintesi, il concetto di scorte di sicurezza, sebbene semplice e apparentemente rassicurante, è difettoso a causa del suo affidamento sulle assunzioni di distribuzione normale per la domanda e i tempi di consegna. Questo approccio spesso porta a un eccesso di scorte e a un inventario sprecato, poiché non tiene conto della complessità dell’incertezza della supply chain. Man mano che la discussione prosegue, l’intervista mira a esplorare metodi alternativi per l’ottimizzazione della supply chain che vanno oltre i limiti dei tradizionali calcoli delle scorte di sicurezza.

La conversazione inizia con un’analisi del modello classico delle scorte di sicurezza, che Vermorel sostiene essere una scarsa approssimazione per gestire le incertezze della supply chain.

Vermorel spiega che l’assunzione del modello delle scorte di sicurezza di una distribuzione normale sia per la domanda che per i tempi di consegna è irrealistica. Ad esempio, i tempi di consegna potrebbero essere costantemente brevi, tranne nei casi di esaurimento delle scorte del fornitore, il che potrebbe portare a tempi di consegna molto più lunghi. Ciò comporta una distribuzione che non è a forma di campana, ma piuttosto un picco intorno al tempo nominale e una lunga coda per eventi rari.

Il modello delle scorte di sicurezza non tiene conto anche delle grandi deviazioni o degli eventi sorprendenti che possono avere un impatto significativo sulle supply chain. Questi eventi, come l’influenza aviaria che influisce sulle vendite di pollo, non vengono considerati nel modello di distribuzione normale. In pratica, queste grandi deviazioni si verificano abbastanza frequentemente da causare problemi.

Si potrebbe presumere che una sottostima del rischio porti a più stockout, ma nella pratica i professionisti della supply chain si adattano e aumentano le loro scorte di sicurezza per compensare il rischio sottostimato. Lo fanno introducendo fattori di inflazione, esplicitamente o impostando obiettivi di livello di servizio più elevati. Ciò porta a un eccesso di scorte, il che è controintuitivo per un modello progettato per garantire la sicurezza.

Il problema di questo approccio è che le scorte di sicurezza gonfiate vengono applicate uniformemente a tutti i prodotti, con conseguenti eccessi di scorte e inefficienze. Ciò è aggravato dai professionisti che gestiscono in modo microscopico le loro previsioni ma poi gonfiano le loro scorte di sicurezza, annullando essenzialmente la precisione dei loro calcoli.

Vermorel suggerisce che un approccio probabilistico sia più adatto per gestire le incertezze della supply chain. Questo approccio riconosce che le scorte di sicurezza sono insicure ed inefficaci. In realtà, non ci sono pile separate di stock di lavoro e scorte di sicurezza nei magazzini; c’è solo una pila di stock. La domanda diventa se questo stock è adatto per servire i clienti.

Al fine di comunicare questo messaggio ai clienti che insistono nel voler avere un buffer di scorte di sicurezza, Vermorel sottolinea che le scorte di sicurezza sono insicure ed inefficaci. Invece, un approccio probabilistico che modella accuratamente le incertezze della supply chain può portare a una migliore ottimizzazione e gestione dell’inventario.

Vermorel spiega che le scorte di sicurezza possono distrarre le aziende dal concentrarsi sulle decisioni che possono prendere, come gli ordini di acquisto e gli ordini di produzione. Sostiene che gli approcci probabilistici siano più adatti per la gestione della supply chain, in quanto consentono un migliore controllo sulle decisioni che influiscono direttamente sulle supply chain.

Tuttavia, Chandler fa notare che gli approcci probabilistici sono complessi, in quanto richiedono diverse curve di domanda per ogni articolo in un catalogo. Chiede se esiste una soluzione intermedia per gli esecutivi della supply chain che sia meno complessa dell’approccio Lokad ma più avanzata rispetto ai calcoli delle scorte di sicurezza. Vermorel ammette che, sebbene ci sia una contraddizione nell’analisi statistica moderna, è possibile utilizzare modelli parametrici più complessi. Tuttavia, questi modelli diventano rapidamente difficili da gestire e comprendere, spesso portando a una notazione matematica opaca. Di conseguenza, Vermorel suggerisce che potrebbe essere più semplice utilizzare tecniche di apprendimento automatico che possono adattarsi a qualsiasi distribuzione, anche se mancano di formule esplicite.

La conversazione si sposta quindi sulla questione dei soldi sprecati a causa delle scorte di sicurezza. Vermorel ritiene che il focus sulle scorte di sicurezza e sulla previsione della domanda sia fuorviante, in quanto non affronta altre fonti di incertezza, come i tempi di consegna. Sottolinea anche che l’idea di una previsione perfetta è un’illusione, poiché le previsioni saranno sempre imperfette. Invece, i professionisti della supply chain dovrebbero concentrarsi sulle conseguenze dell’incertezza e lavorare per migliorare i loro processi dopo la previsione.

In molte situazioni, è difficile migliorare significativamente una media mobile ben tarata per la previsione della domanda. Vermorel spiega che incolpare le previsioni per le discrepanze è spesso inutile, poiché i veri problemi spesso si trovano nei passaggi successivi. Incoraggia i professionisti della supply chain a concentrarsi sul miglioramento di queste aree, poiché spesso rappresentano frutti facili per guadagni sostanziali.

Trascrizione completa

Kieran Chandler: Oggi su Lokad TV, spiegheremo perché questo metodo non funziona e discuteremo anche quali sono le alternative che sono aperte ai professionisti della supply chain. Quindi Joannes, prima di entrare nei problemi con le scorte di sicurezza, forse dovremmo iniziare spiegando un po’ di più a riguardo. Come definiresti le scorte di sicurezza?

Joannes Vermorel: Le scorte di sicurezza sono emerse dall’idea che una volta che hai una previsione, se metti una quantità di stock uguale alla tua previsione e se la tua previsione è equilibrata, allora hai il 50% di probabilità di rimanere senza stock. Questa è praticamente la definizione di una previsione di domanda equilibrata. Quindi, di conseguenza, è necessario avere più stock di quanto previsto. Questa differenza tra ciò che si prevede e ciò di cui si ha effettivamente bisogno per coprire ragionevolmente la domanda futura è questa cosiddetta scorta di sicurezza. Il concetto generale è quello di aggiungere un ulteriore buffer sopra la tua previsione media.

Tuttavia, le scorte di sicurezza hanno oggi una definizione molto più ristretta. Il settore si è convergente su un modo di calcolare le scorte di sicurezza, che consiste fondamentalmente nell’assumere che la domanda futura e i tempi di consegna futuri siano distribuiti normalmente. E con “normalmente” intendo gaussiana. Quindi, questo modello specifico viene applicato per calcolare quanto dovresti mettere in questa scorta di sicurezza.

Kieran Chandler: Quando sono nate queste idee e perché è qualcosa su cui il mercato è così concentrato?

Joannes Vermorel: Credo che le scorte di sicurezza siano un buon nome. Sembra rassicurante e non dovremmo mai sottovalutare il potere di un buon marchio. Le scorte di sicurezza sembrano più sicure. Sembra una mossa intelligente dire: “Stiamo giocando sul sicuro, abbiamo quelle scorte di sicurezza”. Se devi scegliere tra un metodo sicuro e un metodo insicuro, ovviamente sceglieresti quello sicuro.

Quindi, penso che avere un nome accattivante sia stato parte di ciò che ha reso questo approccio molto specifico di successo. D’altra parte, per molto tempo i computer erano estremamente deboli. Siamo passati dal calcolo fatto a mano, dove una distribuzione normale era la cosa migliore che potessimo fare, che era meglio di nessuna ricetta numerica affatto. Poi, nell’era dei primi computer, alla fine degli anni ‘60 e all’inizio degli anni ‘70, era abbastanza buono. Penso che molti professionisti si siano semplicemente addormentati e l’intera cosa sia rimasta lì.

Tuttavia, il concetto chiave di avere l’idea di questo buffer extra ha ancora senso oggi. Quello che non ha senso è dire che tutta l’incertezza può essere in qualche modo ridotta a una distribuzione normale, sia per la domanda che per i tempi di consegna. Questo è particolarmente assurdo per quanto riguarda i tempi di consegna.

Kieran Chandler: Quest’idea di essere insicuri potrebbe sembrare un po’ estrema per alcune persone. Perché pensiamo che sia un po’ insicuro? Da dove derivano queste difficoltà chiave con le scorte di sicurezza?

Joannes Vermorel: Le scorte di sicurezza, solo per darti un’idea di come funzionano, partono dalla tua domanda. Quello che ottieni è creare una scorta che è una certa frazione della domanda. Quindi, se prevedi 100, potresti aggiungere 80 unità, che corrispondono all'80% della tua domanda originale, e quella è la tua scorta di sicurezza. Questo è una conseguenza diretta della scelta di un livello di servizio specifico con un’assunzione di distribuzione normale sulla domanda.

Il problema è che quando fai questo, ignori completamente la stagionalità. La tua previsione della domanda è spesso stagionale, ed è molto atteso. Ma la realtà è che anche l’incertezza è stagionale.

Kieran Chandler: Stai suggerendo che il modello classico delle scorte ignora completamente tutti i modelli che influenzano l’incertezza. Menzioni anche che applicare una distribuzione normale alla domanda è un po’ esagerato. Puoi approfondire ulteriormente questo argomento?

Joannes Vermorel: Certo. Applicare una distribuzione normale, in particolare ai tempi di consegna, può essere fuorviante. Ad esempio, considera un fornitore che generalmente ti consegna entro due giorni. In Europa, di solito ci vogliono solo un giorno per spedire gli articoli, quindi il tuo tempo di consegna è di solito di due giorni. Tuttavia, se il tuo fornitore ha una carenza di scorte, il ritardo potrebbe arrivare fino a tre mesi.

Kieran Chandler: Quindi, non è una curva a forma di campana, vero?

Joannes Vermorel: Assolutamente no. È un modello completamente diverso. Vediamo un picco significativo intorno al tuo tempo di consegna nominale, seguito da potenziali ritardi estesi. Questo accade se ti trovi di fronte a un evento specifico come una carenza di scorte del fornitore. Quindi è una cattiva approssimazione modellare questo come una distribuzione normale - è come cercare di inserire un quadrato in un cerchio.

Kieran Chandler: Questo implica che anche una piccola quantità di variabilità o di incognite comprometta l’efficacia delle scorte di sicurezza?

Joannes Vermorel: Infatti. Qualsiasi elemento che potrebbe interrompere lo status quo, che potrebbe innescare una situazione in cui la domanda di un prodotto può evaporare, rende inadeguato il modello delle scorte di sicurezza. Ad esempio, se stai vendendo pollo e viene segnalato un focolaio di influenza aviaria, le persone potrebbero smettere di mangiare pollo per sei mesi. Questa è una deviazione significativa dalla norma e non è considerata in una distribuzione normale.

Kieran Chandler: Quindi, le grandi deviazioni sono comuni nelle catene di approvvigionamento reali?

Joannes Vermorel: Sorprendentemente, sì. Sebbene non si verifichino costantemente per tutti i prodotti, qualsiasi grande azienda avrà almeno qualche grande sorpresa ogni trimestre. I modelli di scorte di sicurezza, tuttavia, suggeriscono che tali grandi deviazioni non esistano. Quando ottimizzi la tua catena di approvvigionamento in base a questa assunzione e poi si verificano tali deviazioni, può essere davvero costoso.

Kieran Chandler: Date queste difficoltà e sorprese, sarebbe meglio adottare un approccio probabilistico? Quali sono i principali vantaggi di questo approccio rispetto alle scorte di sicurezza?

Joannes Vermorel: Quando hai un modello che sottostima significativamente il tuo rischio, può portare a livelli di scorte inadeguati. In teoria, le scorte di sicurezza dovrebbero contrastare questo tamponando la domanda imprevista. Tuttavia, nella pratica, i professionisti della catena di approvvigionamento si adattano in un modo che può aggravare il problema. Utilizzano modelli di scorte di sicurezza che sottostimano il rischio, puntando a un alto livello di servizio come il 98%. Ma poiché il rischio viene sottovalutato, il livello di servizio effettivo è inferiore.

Kieran Chandler: In termini di eventi estremi sia nel tempo che nella domanda, è probabile che si ottenga, diciamo, un livello di servizio dell'85 percento. Questo è molto lontano dal tuo obiettivo del 98 percento per il tuo livello di servizio. Quindi cosa fai?

Joannes Vermorel: Utilizzi la soluzione miracolosa che è un parametro moltiplicativo aggiuntivo per le tue scorte di sicurezza. Inizi con il tuo modello con l’assunzione di distribuzione normale, poi perché letteralmente tutti coloro che hanno utilizzato le scorte di sicurezza si sono resi conto di questi problemi, abbiamo bisogno di gonfiare le nostre scorte di sicurezza. Le aziende introdurranno questi fattori di inflazione in due modi. O metti esplicitamente un fattore, o dici nel software che desideri un livello di servizio del 98%, ma inserisci il 99,9 perché è il modo per ottenere empiricamente questo 98 percento.

Quello che sta accadendo è che perché il tuo modello sottostima il tuo rischio, gonfi le tue scorte di sicurezza in modo abbastanza uniforme. Questo crea un problema significativo generando notevoli eccessi di scorte. Il paradosso è che hai un modello che sottostima il rischio, quindi gonfi le tue scorte di sicurezza ovunque e alla fine generi molti eccessi di scorte. È divertente perché inizi con qualcosa chiamato scorte di sicurezza, ma è intrinsecamente insicuro a causa di questo stesso processo.

Kieran Chandler: Quindi quello che stai dicendo è che stai sempre ottimizzando per uno scenario peggiore. Tutti si ottimizzano per quel giorno in cui hanno davvero bisogno delle scorte e poi se le scorte o la domanda cambiano, hanno comunque quel fattore di sicurezza aggiunto in atto.

Joannes Vermorel: Sì, e avrai questa scorta di sicurezza aggiuntiva ovunque. Le persone gestiranno in modo microscopico le loro previsioni, spenderanno molto tempo per ottimizzare la previsione. Calcoleranno tutto fino all’ultimo grammo per essere super precisi e poi grazie a questa scorta di sicurezza, arrotonderanno tutto alla prossima tonnellata metrica solo perché hanno questo fattore di inflazione che viene applicato uniformemente a tutti i prodotti. Sto un po’ generalizzando, ma è un’approssimazione approssimativa di ciò che sta realmente accadendo o di ciò che ho visto accadere molte volte.

Kieran Chandler: Quindi come affronti quei clienti che sono fermamente convinti di aver bisogno di quel valore aggiuntivo di sicurezza, quelle scorte di sicurezza, quel buffer? Qual è il messaggio chiave che devi trasmettere loro?

Joannes Vermorel: Il messaggio chiave è che le scorte di sicurezza sono insicure e inefficaci. È una finzione. Nel tuo magazzino, non hai due tipi di scorte; scorte operative che servono la domanda e scorte di sicurezza che servono l’incertezza. Hai solo una pila di scorte. La domanda è se questa quantità di scorte è adatta a servire i tuoi clienti. In realtà, non hai così tanto controllo sul livello delle scorte perché non hai il controllo della domanda dei clienti. Quello che hai il controllo sono gli ordini di acquisto o gli ordini di produzione che passi.

Il problema con le scorte di sicurezza è che ti distraggono dalle decisioni che puoi prendere che sono nelle tue mani e che hanno un impatto fisico reale sulle tue catene di approvvigionamento, come gli ordini di acquisto o gli ordini di fornitura o gli ordini di produzione. Il messaggio chiave sarebbe concentrarsi sulla decisione che stai prendendo, non sui parametri relativamente arbitrari del tuo ERP.

Kieran Chandler: Il problema con un approccio probabilistico è che è relativamente complesso. Hai una curva di domanda diversa per ogni singolo articolo nel tuo catalogo, mentre la cosa bella delle scorte di sicurezza è che è relativamente semplice. Stai solo aggiungendo un certo buffer per ogni articolo. Esiste qualcosa di intermedio per gli esecutivi della supply chain che possono utilizzare? Qualcosa di non così complesso come l’approccio probabilistico di Lokad, ma un po’ migliore e più avanzato rispetto a un approccio basato sulle scorte di sicurezza?

Joannes Vermorel: Credo che stiamo toccando un piccolo paradosso dell’analisi statistica moderna. La scorta di sicurezza è un approccio parametrico in statistica, in cui hai un modello con parametri come media e varianza, e usi questo modello per ottimizzare i parametri. Tuttavia, puoi rapidamente renderti conto che questo modello parametrico è completamente inadatto alla situazione, come un quadrato è una pessima approssimazione di un cerchio. Puoi cercare di aggiungere più complessità al modello, ma molto presto diventa criptico e difficile da capire per i professionisti della supply chain.

Potresti optare per modelli espliciti più complessi, ma questi diventano molto difficili in termini di notazione matematica. In realtà, è più semplice utilizzare tecniche di apprendimento automatico, che sono un po’ più opache ma possono adattarsi a qualsiasi tipo di distribuzione. La realtà è che se vuoi combinare correttamente l’incertezza dei tempi di consegna con la domanda, non puoi aspettarti una formula semplice e chiusa. Sarà complicato comunque, ma è anche necessario tener conto delle sottili interazioni tra i tempi di consegna e la domanda.

Kieran Chandler: Abbiamo parlato molto dello spreco nelle scorte di sicurezza e del fatto che è denaro sprecato. Perché è qualcosa che le persone non hanno cercato di migliorare e su cui non si è focalizzato?

Joannes Vermorel: Penso che sia perché le scorte di sicurezza siano ben comprese da molti professionisti della supply chain. Tendono a sottovalutare il fatto che avere una buona comprensione della domanda futura è solo l’inizio. La domanda futura non è l’unica fonte di incertezza; i tempi di consegna futuri sono un’altra fonte, e ci sono anche altri problemi. I professionisti possono distrarsi dalla semplice previsione della domanda, e c’è anche questa illusione che se possono risolvere il problema della previsione una volta per tutte, tutti gli altri problemi saranno risolti.

Kieran Chandler: Sembra che ci sia la convinzione che avere una previsione perfetta elimini tutti gli altri problemi. Tuttavia, stai suggerendo che questa è un’illusione e che ciò che dobbiamo fare è abbracciare l’approccio probabilistico, riconoscendo che la previsione sarà sempre imperfetta. Puoi approfondire questo argomento?

Joannes Vermorel: Assolutamente. L’approccio probabilistico consiste nel rinunciare al sogno di una previsione perfetta. Significa accettare che le previsioni saranno sempre imperfette e affrontare le conseguenze di questa imperfezione. Ad esempio, una delle conseguenze è la necessità di iniziare a considerare l’impatto delle incertezze, come le scorte di sicurezza, che sono un modo molto rudimentale di modellare le conseguenze di questa incertezza.

Kieran Chandler: Quindi, stai suggerendo che spesso la previsione viene incolpata ingiustamente?

Joannes Vermorel: Sì, è esattamente quello che sto dicendo. Con le scorte di sicurezza, le persone tendono a incolpare la previsione quando in realtà, la previsione era altrettanto buona quanto poteva essere. È difficile fare molto meglio di una media mobile ben tarata. Certo, si può migliorare un po’ considerando fattori come la stagionalità, ma anche in questo caso, è difficile ridurre l’errore di più di un terzo. Quindi, incolpare la previsione è inutile. Molto spesso, gli errori veri e propri vengono commessi successivamente, e sono queste le aree in cui possiamo apportare miglioramenti significativi.

Kieran Chandler: Mentre concludiamo, qual è il messaggio chiave per i dirigenti della supply chain? Dovrebbero iniziare a scartare i calcoli delle scorte di sicurezza e abbracciare le mancanze di magazzino, o capire meglio le loro previsioni?

Joannes Vermorel: Il messaggio chiave è quello di non fidarsi dei modelli matematici che sono stati principalmente inventati per il calcolo manuale. Non è ragionevole gestire la propria supply chain basandosi su un metodo che non richiede computer. Proprio come non avrebbe senso conservare un gran numero di zaini nel caso in cui i camion smettano di funzionare. Il problema delle scorte di sicurezza è che persistono a causa di un buon posizionamento del marchio e di ciò che sembra essere una tecnicalità oscura dell’ottimizzazione della supply chain. Suggerirei di mettere in discussione le proprie ipotesi quando si tratta di ottimizzazione numerica della propria supply chain. Non è necessario essere matematici per farlo. Basta verificare se queste ipotesi corrispondono alla realtà della propria supply chain.

Kieran Chandler: Capisco, quindi potremmo assistere a un passaggio dal riferirsi alle ‘scorte di sicurezza’ alle ‘scorte non sicure’ in futuro?

Joannes Vermorel: Chi lo sa? Potrebbe benissimo essere il caso.

Kieran Chandler: Grazie, Joannes. Questo è tutto per questa settimana. Grazie ai nostri ascoltatori per averci seguito, e ci vediamo la prossima volta. Arrivederci per ora.